【佳學基因檢測】存在顯性的情況下，相較于加法模型，顯性模型在評估平均效應的優(yōu)勢

人體疾病與表征遺傳方式導讀：

數(shù)量遺傳學是佳學基因解碼的方法之一。在數(shù)量遺傳學中，單個基因座的平均效應可以通過 (A)加性模型或加性加顯性 (AD) 模型來估計。在存在顯性的情況下，AD 模型預計會更正確，因為 A 模型錯誤地假設殘差是獨立且同分布的。佳學基因解碼的目的是在存在顯性遺傳的情況下，使用單個基因座 A 模型或 AD 模型，評估平均效應 ( α^)的正確性。估計基于 Hardy-Weinberg 平衡 (HWE) 中大量人口的有限樣本，以及均方根誤差 α^計算了幾種廣義遺傳力、樣本量和顯性效應的大小。結果表明，對于 A 模型，基因型頻率與 HWE 頻率的抽樣偏差和等位基因頻率的抽樣偏差都會導致誤差。使用 AD 模型，只有等位基因頻率的抽樣偏差會導致錯誤，前提是對所有三個基因型類別進行抽樣。在存在顯性遺傳的情況下，均方根誤差為 α^使用 AD 模型的結果總是小于使用 A 模型的結果，即使當遺傳力小于 1 時也是如此。值得注意的是，在沒有顯性遺傳的情況下，采用顯性模型進行匹配沒有不足之處。總之，AD 模型可以更正確地估計有限樣本的平均效應，因為它比 A 模型更能抵抗 HWE 頻率的抽樣偏差。因此，當存在顯性時，包含優(yōu)勢的遺傳模型比純加性模型產(chǎn)生更高的估計平均效應精度。

基因解碼遺傳模式的建模方式

在佳學基因開發(fā)的基因解碼的系列分析方法中，數(shù)量遺傳學是其基本工具之一。在數(shù)量遺傳學中，顯性是雜合子的基因型值偏離兩個純合子的平均基因型值的現(xiàn)象。顯性遺傳已被證明存在于人體、牲畜物種和植物作物的性狀、表征和生理特征的遺傳方式中。并且在分析人體的疾病的致病基因中發(fā)揮了重要作用。然而，在家畜遺傳改良中，研究一直集中在平均效應的估計上，因為平均效應涵蓋了所有可遺傳的變異。單個基因的平均效應 ( α )，也稱為等位基因替代效應，是指基因型值對等位基因計數(shù)的線性回歸系數(shù)。在 Hardy-Weinberg 平衡 (HWE) 下，雙等位基因座處的α是基因效應的加法 ( a ) 和顯性 ( d ) 部分以及種群等位基因頻率p的函數(shù)：

其中a是兩個純合子之間基因型值差異的一半，d是雜合子的基因型值與兩個純合子的平均基因型值之間的差異。使用基因組數(shù)據(jù)，加性 (A) 模型通過等位基因計數(shù)（即基因型）的表型線性回歸來估計α 。加性加顯性 (AD) 模型分別估計加性和顯性基因效應，之后 α^可以從等式 1獲得。對于這兩種模型，未被平均效應捕獲的優(yōu)勢部分稱為優(yōu)勢偏差。

當使用 A 模型時，優(yōu)勢偏差沒有被建模，因此成為殘差的一部分。因此，殘差不是獨立同分布 (IID)，因為不同基因型的顯性偏差不同。因此，A 模型可能會給出不正確的α估計值，因為它錯誤地假設殘差是 IID。當使用 AD 模型時，優(yōu)勢偏差被顯式建模，殘差更可能是 IID。因此，在存在顯性遺傳的情況下，AD 模型可能會比A型產(chǎn)生更正確的α估計值。然而，與 A 模型相比，AD 模型需要估計兩種效應而不是一種效應（對于單個位點），這可能會降低估計這些效應的正確性。此外，顯性效應通常比加性效應更小，因此更難估計。由于這些原因，與 A 模型相比，AD 模型可能需要對更多個體進行采樣才能正確估計α。此外，在顯性很少或沒有顯性的情況下估計顯性效應可能會導致過度擬合。因此，雖然 AD 模型可能在存在顯性的情況下更好地擬合數(shù)據(jù)，但當樣本量相對較小且優(yōu)勢可以忽略不計時，A 模型可能是先進。然而，尚不清楚樣本大小和顯性效應在優(yōu)勢效應大小使用 A 模型與AD 模型如何影響 α^。

因此，佳學基因設立該研究課題的目的是在存在或不存在顯性遺傳效應的情況下、在單個位點使用 A 模型或 AD 模型調查估計的均方根誤差 (RMSE) α^。佳學基因檢測從單基因座模型的一些理論開始，然后導出α的預期估計值，并計算 RMSE α^用于幾個廣義遺傳力、顯性效應、樣本量和等位基因頻率。然后，計算等位基因頻率分布的幾個優(yōu)勢度的平均 RMSE，并確定 A 模型和 AD 模型之間差異的機制。

與此內容相近的 業(yè)內研究文獻：

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5633389/